🤖 AI

Emotion in an active inference model of human driving

Este artículo propone un marco de inferencia activa expandido para la conducción humana que integra estados afectivos continuos (valencia y activación) condicionados tanto por los resultados actuales como por los futuros previstos, demostrando que las señales emocales resultantes se alinean con los patrones afectivos reportados en escenarios de conducción interactiva.

Autores originales: Julian F. Schumann, Johan Engström, Ran Wei, Jens Kober, Martijn Wisse, Arkady Zgonnikov

Publicado 2026-08-11

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Julian F. Schumann, Johan Engström, Ran Wei, Jens Kober, Martijn Wisse, Arkady Zgonnikov

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que vas conduciendo por una autopista y, de repente, el coche de delante da un volantazo sin señalizar. Tu corazón se acelera, se te cae el estómago y es posible que sientas un destello de ira. Pero, ¿alguna vez te has preguntado por qué tu cerebro reacciona de esa manera? Los científicos que estudian cómo las máquinas y los cerebros toman decisiones tienen una teoría llamada "inferencia activa". Piensa en ello como un detective superinteligente dentro de tu cabeza que intenta adivinar constantemente qué pasará después. Intenta predecir el futuro para evitar ser sorprendido. Si el mundo coincide con sus predicciones, se siente tranquilo. Si el mundo lanza un imprevisto, el detective se confunde e intenta averiguar qué está pasando. Durante mucho tiempo, estos modelos de detectives fueron excelentes explicando cómo giramos o frenamos, pero les faltaba una pieza crucial del rompecabezas: los sentimientos. No sabían cómo calcular la "ira" o el "alivio". Esto es importante porque, si queremos construir coches autónomos que puedan compartir la carretera con seguridad con los humanos, esos coches deben entender no solo la física de un choque, sino también la montaña rusa emocional que lo precede.

En este artículo, un equipo de investigadores decidió enseñar a su detective conductor a sentir. Tomaron un modelo existente que ya sabía conducir un coche utilizando la inferencia activa y le dieron un nuevo conjunto de "gafas emocionales". Estas gafas permitieron al modelo ver el mundo a través de dos lentes específicas: la valencia (qué tan buena o mala es una situación) y la activación (qué tan alerta o en pánico se siente). En lugar de limitarse a mirar el coche que tiene justo delante, el modelo empezó a mirar hacia adelante, prediciendo qué podría pasar en los próximos segundos. Probaron a este conductor emocional en dos situaciones complicadas: una en la que un coche en el carril opuesto se cruzó repentinamente en su trayectoria, y otra en la que un coche en una intersección ignoró una señal de "ceda el paso".

Los resultados fueron sorprendentemente humanos. Cuando el otro conductor seguía las normas, el modelo se mantenía tranquilo y relajado, con su nivel de "activación" manteniéndose bajo. Pero cuando el otro conductor rompía las reglas —como dar un volantazo hacia su carril o ignorar una señal de alto—, las emociones del modelo se disparaban. Su "activación" aumentaba, simulando esa sensación de estar en alerta máxima, y su "valencia" se volvía negativa, imitando la sensación de ira o frustración. El modelo no solo reaccionaba al peligro inmediato; reaccionaba a la sorpresa del mal comportamiento. Por ejemplo, en el escenario de la intersección, cuando el otro coche seguía avanzando a pesar de las normas, la "ira" del modelo crecía hasta que decidió frenar bruscamente para evitar un choque. Curiosamente, el modelo mostró que si un choque se volvía inevitable, su "activación" en realidad disminuía porque la incertidumbre había desaparecido: sabía exactamente lo que iba a pasar, aunque fuera algo malo. Esto sugiere que el modelo capturó con éxito el vínculo entre la violación de las normas de tráfico y el sentir emociones negativas.

Los investigadores descubrieron que, al observar la diferencia entre lo que el conductor esperaba que sucediera y lo que realmente sucedía (o lo que era probable que sucediera), podían generar estas señales emocionales. Descubrieron que la "ira" del modelo estaba directamente relacionada con la violación de las normas sociales por parte del otro conductor, tal como lo sentiría un conductor humano real. Sin embargo, los autores advierten cuidadosamente que todo esto está ocurriendo dentro de una simulación informática. Aún no lo han probado con personas reales, por lo que, aunque los resultados parecen muy prometedores y coinciden con lo que sabemos de la psicología humana, siguen siendo solo una conjetura muy sofisticada basada en las matemáticas. El modelo también tiene un punto ciego: aún no entiende cómo las emociones podrían cambiar el comportamiento del conductor (como el hecho de que la ira pueda hacer que un conductor asuma más riesgos). Pero como primer paso, este trabajo sugiere que podemos construir coches autónomos que no solo calculen la física, sino que también entiendan los riesgos emocionales de la carretera, convirtiéndolos potencialmente en mejores compañeros para los conductores humanos.

Resumen Técnico: Emoción en un Modelo de Inferencia Activa de Conducción Humana

Planteamiento del Problema
La inferencia activa ha emergido como un marco fundamentado para modelar el comportamiento adaptativo mediante el equilibrio entre la acción dirigida a objetivos y la reducción de la incertidumbre. Aunque se ha aplicado con éxito en escenarios de conducción humana (por ejemplo, seguimiento de vehículos, mantenimiento de carril, evitación de colisiones), los modelos existentes descuidan en gran medida el estado afectivo (emoción), un determinante crítico de la toma de decisiones humana en el tráfico. Los intentos previos de integrar emociones en la inferencia activa se han limitado a "problemas de juguete" de espacio de estados discretos y simplificados que carecen de la capacidad de planificación realista requerida en escenarios de tráfico complejos. Existe la necesidad de extender estas capacidades de modelado emocional a modelos de conducción de espacio de estados continuos que den cuenta de la planificación de políticas de múltiples pasos.

Metodología
Los autores extienden un modelo existente de inferencia activa de evitación de colisiones en la conducción humana (Schumann et al.) para incorporar un modelo de la emoción del conductor basado en el modelo circunflejo del afecto de Russell (valencia y activación/arousal). El marco central opera de la siguiente manera:

Modelo Generativo: El agente mantiene una creencia estocástica $q(s)$ (mediante filtros de partículas) sobre el entorno, aproximando un proceso generativo externo. El modelo de transición combina una verosimilitud cinemática (modelo de bicicleta) y una verosimilitud normativa (cumplimiento de las normas de tráfico).
Selección de Políticas: El agente evalúa candidatas políticas $\pi_t$ (secuencias de acciones a lo largo de un horizonte $H$ ) minimizando la Energía Libre Esperada (EFE). La EFE equilibra el valor pragmático (lograr resultados preferidos) y el valor epistémico (reducir la incertidumbre).
Formulación de la Emoción:
- Valencia ( $V$ ): Definida como la diferencia entre el valor pragmático real y el esperado. Para adaptar esto al tiempo continuo y a la planificación de múltiples pasos, los autores proponen:
  - Dividir por el paso de tiempo $\Delta t$ para asegurar la independencia de la frecuencia.
  - Calcular el Valor Esperado ( $V(E)$ ) como el promedio del valor pragmático sobre los estados predichos de las $N=5$ políticas anteriores para asegurar la estabilidad frente a la selección estocástica de políticas.
  - Calcular el Valor Actual ( $V(A)$ ) basándose en la política de referencia actual (la que está en efecto actualmente) en lugar de contrafácticos, reflejando las interacciones constantes entre el organismo y el entorno.
  - $V_t = V(A)_t - V(E)_t$ .
- Activación o Arousal ( $A$ ): Definida como la entropía de la creencia posterior del agente. Los autores argumentan que usar la incertidumbre cinemática pura es contraintuitivo (por ejemplo, agentes distantes podrían inducir alta incertidumbre/activación mientras que colisiones inminentes podrían inducir baja incertidumbre debido al seguimiento preciso). En su lugar, mapean la activación a la incertidumbre de un estado abstracto significativo: la probabilidad de colisión ( $p_{coll}$ $p_{co l l}$ ).
  - $p_{coll}$ es la probabilidad máxima esperada de colisión sobre el horizonte de predicción, derivada de un clasificador de colisión binario.
  - La activación se calcula como la entropía binaria de esta probabilidad de colisión: $A_t = -[p_{coll} \ln(p_{coll}) + (1-p_{coll}) \ln(1-p_{coll})]$ .

Contribuciones Clave

Extensión al Estado Continuo: El artículo generaliza la formulación de emoción de estado discreto de Pattisapu et al. a un modelo de inferencia activa de conducción de espacio de estados continuos.
Evaluación Orientada al Futuro: La formulación propuesta condiciona las estimaciones afectivas no solo a los estados actuales, sino también a los resultados futuros predichos (sobre un horizonte de múltiples pasos), alineándose con las teorías de evaluación (appraisal theories) de la emoción.
Estimación de Valencia Estable: Al promediar los valores esperados sobre múltiples políticas pasadas, el modelo reduce la variabilidad causada por la selección estocástica de políticas, produciendo señales afectivas más estables.
Activación Semántica: Los autores introducen un método para derivar la activación a partir de la incertidumbre de estados semánticos de alto nivel (probabilidad de colisión) en lugar de la incertidumbre cinemática de bajo nivel, evitando respuestas de activación irracionales ante agentes distantes y no amenazantes.

Resultados
El enfoque fue evaluado en dos escenarios de conducción interactiva que incluyeron 128 simulaciones cada uno: un escenario de incursión lateral y uno de intersección con violación de prioridad. El agente interactuó con un agente cumplidor o uno no cumplidor (adversario).

Incursión Lateral:
- Agente Cumplidor: La activación aumentó inicialmente a medida que la probabilidad de colisión subió, pero disminuyó a medida que el otro agente se comportó de manera benigna. La valencia se volvió positiva a medida que el valor pragmático mejoraba.
- Agente No Cumplidor: Tras la violación de las normas por parte del otro agente, el agente modelado perdió la confianza, lo que llevó a un aumento de la incertidumbre (activación) y una valencia negativa. El agente evitó con éxito una colisión, causando una disminución posterior de la activación y un aumento de la valencia.
Intersección:
- Agente Cumplidor: Las emociones se mantuvieron neutrales/calmadas mientras el otro agente cedía el paso.
- Agente No Cumplidor: El agente experimentó valencia negativa y un aumento de la activación a medida que el otro agente ignoraba las reglas de tráfico. En los casos de evitación exitosa, el agente cedió el paso, lo que produjo alivio (valencia positiva). En los casos de colisión, la activación disminuyó solo cuando la colisión se volvió inevitable (certeza del resultado), y la valencia se mantuvo más baja que en los casos de evitación.
Mapeo Circunflejo: Al mapearse en el modelo circunflejo, los estados emocionales del agente se alinearon con patrones humanos: las violaciones de normas indujeron ira (valencia negativa, alta activación), mientras que la evitación exitosa condujo a la relajación. Los resultados de colisión transicionaron de la tristeza a la depresión.

Significancia y Reivindicaciones
El artículo sostiene que la inferencia activa proporciona un marco viable y fundamentado para modelar los componentes afectivos del comportamiento de conducción humana. La significancia principal reside en:

Interpretabilidad Mecanicista: El modelo ofrece una explicación estructurada de cómo surgen los estados emocionales de los procesos cognitivos (por ejemplo, las desviaciones de los resultados esperados inducen valencia negativa; la incertidumbre sobre las violaciones de normas induce activación).
Alineación con la Teoría de la Evaluación (Appraisal Theory): Los resultados apoyan las teorías de evaluación al demostrar que las respuestas afectivas son impulsadas por los resultados anticipados y la violación de las expectativas sociales/normativas.
Marco Unificado: Este trabajo apoya la visión de la inferencia activa como un relato unificado de percepción, acción y afecto, mostrando que los estados afectivos pueden inferirse desde el mismo marco generativo utilizado para el modelado del comportamiento.

Limitaciones
Los autores señalan algunas limitaciones:

El modelo captura errores de predicción a corto plazo pero descuida las expectativas de mayor nivel o a largo plazo (por ejemplo, un conductor en un atasco puede seguir sintiendo una valencia negativa a pesar de tener predicciones estables a corto plazo).
La evaluación se limita a la simulación; no se ha realizado una comparación directa con datos humanos (por ejemplo, expresiones faciales).
El modelo es unidireccional (el comportamiento afecta a la emoción) y aún no contempla cómo las emociones podrían modular el comportamiento (por ejemplo, la ira aumentando la toma de riesgos).

Resumen Técnico: Emoción en un Modelo de Inferencia Activa de Conducción Humana

Más como este